Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

DINov3 avec formation en temps de test pour l'enregistrement d'images médicales

Created by
  • Haebom

Auteur

Shansong Wang, Mojtaba Safari, Mingzhe Hu, Qiang Li, Chih-Wei Chang, Richard LJ Qiu, Xiaofeng Yang

Contour

Cet article propose un nouveau pipeline sans apprentissage pour répondre au besoin de données d'apprentissage volumineuses, un problème clé des méthodes d'apprentissage existantes pour le recalage d'images médicales. Il repose sur un encodeur DINOv3 fixe et l'optimisation du temps de test du champ de déformation dans l'espace des caractéristiques. Il génère des déformations précises et régulières sur deux benchmarks représentatifs (IRM-TDM de l'abdomen et IRM cardiaque ACDC), surpassant les méthodes existantes. En particulier, sur l'IRM-TDM de l'abdomen, il a obtenu les meilleures performances, avec une similarité de Dice moyenne (DSC) de 0,790, une distance de Hausdorff au 95e percentile (HD95) de 4,9 ± 5,0 et un écart type log-jacobien (SDLogJ) de 0,08 ± 0,02. Sur l'IRM cardiaque ACDC, il a également amélioré la DSC moyenne à 0,769 et réduit SDLogJ et HD95 à 0,11 et 4,8, respectivement. Cela suggère que le fait d’opérer dans un espace de fonctionnalités sous-jacent compact au moment du test pourrait être une solution pratique et générale pour l’enregistrement clinique sans formation supplémentaire.

Takeaways, Limitations

•
Takeaways:
◦
Nous démontrons qu’un enregistrement précis des images médicales est possible sans grandes quantités de données de formation.
◦
Nous présentons la possibilité de construire un pipeline d'enregistrement efficace en optimisant le temps de test dans un espace de fonctionnalités compact.
◦
Présentation d’une méthode qui ne nécessite aucune formation et qui est avantageuse pour l’application clinique.
◦
Démontre des performances supérieures par rapport aux méthodes existantes dans deux benchmarks.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation de la méthode proposée.
◦
Une vérification de l’applicabilité est nécessaire pour diverses modalités d’imagerie médicale et environnements cliniques.
◦
Des limitations existent en raison de la dépendance à l'encodeur DINOv3.
◦
Les résultats sont limités à un point de référence spécifique et nécessitent une évaluation sur une gamme plus large d’ensembles de données.
👍
Made with Slashpage